@Ondrej dan @Michelle telah memberikan beberapa informasi yang baik di sini. Saya ingin tahu apakah saya dapat berkontribusi dengan membahas beberapa poin yang tidak disebutkan di tempat lain. Saya tidak akan menyalahkan diri sendiri tentang tidak bisa mendapatkan banyak dari data dalam bentuk tabel, tabel umumnya bukan cara yang sangat baik untuk menyajikan informasi (lih., Gelman et al., Mengubah Tabel menjadi Grafik ). Di sisi lain, meminta alat yang secara otomatis akan menghasilkan semua grafik yang tepat untuk membantu Anda menjelajahi set data baru hampir seperti meminta alat yang akan membuat Anda berpikir untuk Anda. (Jangan anggap itu salah, saya tahu pertanyaan Anda menjelaskan bahwa Anda tidak melangkah sejauh itu; Maksud saya, tidak akan pernah ada alat seperti itu.) Diskusi bagus yang terkait dengan ini dapat ditemukan di sini .
Hal-hal ini telah dikatakan, saya ingin berbicara sedikit tentang jenis plot yang mungkin ingin Anda gunakan untuk mengeksplorasi data Anda. Plot yang tercantum dalam pertanyaan akan menjadi awal yang baik, tetapi kami mungkin dapat mengoptimalkannya sedikit. Untuk memulainya, membuat "sejumlah besar plot" pasangan variabel yang berkorelasi mungkin tidak ideal. Scatterplot hanya menampilkan hubungan marginal antara dua variabel. Hubungan penting seringkali dapat disembunyikan dalam kombinasi beberapa variabel. Jadi cara pertama untuk memperkuat pendekatan ini adalah dengan membuat matriks sebaryang menampilkan semua scatterplot berpasangan secara bersamaan. Matriks scatterplot dapat ditingkatkan dengan berbagai cara: Misalnya, mereka dapat dikombinasikan dengan plot kepadatan kernel univariat dari masing-masing distribusi variabel, penanda / warna yang berbeda dapat digunakan untuk memplot kelompok yang berbeda, dan kemungkinan hubungan nonlinier dapat dinilai dengan melapiskan loess fit. The scatterplot.matrixfungsi dalam paket mobil di R dapat melakukan semua hal ini baik (contoh dapat dilihat setengah halaman terkait di atas).
Namun, sementara matriks sebar adalah awal yang baik, mereka masih hanya menampilkan proyeksi marjinal. Ada beberapa cara untuk mencoba bergerak melampaui ini. Salah satunya adalah mengeksplorasi plot 3 dimensi menggunakan paket rgl di R. Pendekatan lain adalah menggunakan plot bersyarat; coplots dapat membantu hubungan antara 3 atau 4 variabel secara bersamaan. Pendekatan yang sangat berguna adalah menggunakan matriks sebar secara interaktif(walaupun, ini akan membutuhkan lebih banyak upaya untuk belajar), misalnya dengan 'menyikat'. Menyikat memungkinkan Anda untuk menyorot titik atau titik dalam satu frame dari matriks dan titik-titik itu secara bersamaan akan disorot di semua frame lainnya. Dengan menggerakkan kuas, Anda dapat melihat bagaimana semua variabel berubah bersama. UPDATE: Kemungkinan lain yang saya lupa sebutkan adalah menggunakan plot koordinat paralel . Ini memiliki kelemahan dalam tidak membuat variabel respons Anda berbeda, tetapi bisa berguna, misalnya, dalam memeriksa inter-korelasi antara variabel X Anda.
Saya juga ingin memuji Anda karena memeriksa data Anda yang diurutkan berdasarkan tanggal yang dikumpulkan. Meskipun data selalu dikumpulkan dari waktu ke waktu, orang tidak selalu melakukan ini. Merencanakan grafik garis itu bagus, tapi saya sarankan Anda menambahkannya dengan grafik autokorelasi dan autokorelasi parsial . Dalam R, fungsi untuk ini adalah acfdan pacfmasing - masing.
Saya menyadari bahwa semua ini tidak cukup menjawab pertanyaan Anda dalam arti memberi Anda alat yang akan membuat semua plot untuk Anda secara otomatis, tetapi salah satu implikasinya adalah Anda tidak benar-benar harus membuat plot sebanyak yang Anda khawatirkan. , misalnya, matriks sebar hanya satu baris kode. Selain itu, dalam R, harus dimungkinkan untuk menulis fungsi / kode yang dapat digunakan kembali untuk diri Anda sendiri yang sebagian akan mengotomatiskan sebagian dari ini (misalnya, saya dapat membayangkan fungsi yang mengambil dalam daftar variabel dan urutan tanggal, mengurutkannya , muncul jendela baru untuk masing-masing dengan garis, acf, dan plot pacf)